Partie I
Chapitre III : Méthodes de traitement des données de télédétection
41
Le Machine Learning consiste à programmer des algorithmes qui apprennent
automatiquement à résoudre un problème au mieux, et ce à partir d’un ensemble de données
d’entrainement (échantillons). Il permet une combinaison données-algorithmes et développe
des modèles analytiques afin de découvrir de nouvelles connaissances grâce auxquelles une
valeur est extraite. Ceci construit des outils prédictifs d’aide à la décision (Bonaccorso, 2017).
III.2.2 Algorithmes d’apprentissage automatique (Machine Learning)
Récemment, plusieurs algorithmes de Machine Learning ont été adoptés avec succès pour
les applications de classification d’image, comme le Support Vector Machine (SVM), les
réseaux neuronaux et le Random Forest (RF) (Niculescu et al., 2018). Ces algorithmes peuvent
être regroupés en deux catégories :
- Les algorithmes paramétriques : ces algorithmes nécessitent la configuration
préalable d’un nombre fixe de paramètres et supposent que les pixels de chaque classe
respectent une distribution selon une ou plusieurs hypothèses sous forme d’équation connue
(figure III.2). Le résultat obtenu dépendra des paramètres choisis.
- Les algorithmes non-paramétriques : ces algorithmes ont leurs propres fonctions
qui définissent de manière adaptative les paramètres. De cette façon ils sont capables de faire
Figure III.1: Science de l’informatique, l'intelligence artificielle et
positionnement du Machine Learning/ Deep Learning.
Figure III.2: Schéma explicatif du fonctionnement des algorithmes
paramétriques et non-paramétriques
Chapitre III : Méthodes de traitement des données de télédétection
41
Le Machine Learning consiste à programmer des algorithmes qui apprennent
automatiquement à résoudre un problème au mieux, et ce à partir d’un ensemble de données
d’entrainement (échantillons). Il permet une combinaison données-algorithmes et développe
des modèles analytiques afin de découvrir de nouvelles connaissances grâce auxquelles une
valeur est extraite. Ceci construit des outils prédictifs d’aide à la décision (Bonaccorso, 2017).
III.2.2 Algorithmes d’apprentissage automatique (Machine Learning)
Récemment, plusieurs algorithmes de Machine Learning ont été adoptés avec succès pour
les applications de classification d’image, comme le Support Vector Machine (SVM), les
réseaux neuronaux et le Random Forest (RF) (Niculescu et al., 2018). Ces algorithmes peuvent
être regroupés en deux catégories :
- Les algorithmes paramétriques : ces algorithmes nécessitent la configuration
préalable d’un nombre fixe de paramètres et supposent que les pixels de chaque classe
respectent une distribution selon une ou plusieurs hypothèses sous forme d’équation connue
(figure III.2). Le résultat obtenu dépendra des paramètres choisis.
- Les algorithmes non-paramétriques : ces algorithmes ont leurs propres fonctions
qui définissent de manière adaptative les paramètres. De cette façon ils sont capables de faire
Figure III.1: Science de l’informatique, l'intelligence artificielle et
positionnement du Machine Learning/ Deep Learning.
Figure III.2: Schéma explicatif du fonctionnement des algorithmes
paramétriques et non-paramétriques